为什么把算法“讲清楚”， 员工反而更不满？

要应对 AI 决策带来的“黑箱感”，简单地打开箱子、提供全面解释并非最佳解法。“极致透明”不仅会增加员工的认知负担，还会让组织陷入推卸责任的形象。只有适度的透明与有技巧的解释，才能真正修复信任、缓解焦虑。

在当代商业社会中，人工智能早已不只是技术部门的工具，而是悄然成为一种“无形的主管”。从外卖平台的派单逻辑，到电商仓库的作业排程，再到金融机构内部的绩效预测，算法正越来越多地掌握资源分配与绩效评价的决策权。对于数以百万计的劳动者——尤其是零工经济中的一线从业者——而言，那些看不见的代码，正在左右他们的收入高低、工作时长，甚至职业前景。

这种转变带来了一种前所未有的新情绪——算法焦虑。当员工发现自己的奖金被扣除，或在高峰时段拿不到订单，却又无法从系统中获得清晰解释时，“黑箱感”会迅速转化为对组织的不信任、愤怒与挫败感。长期来看，这种不透明不仅会削弱组织认同，还可能引发对技术本身的抵触。

于是，一个看似理所当然的答案浮出水面：既然问题出在黑箱，那就打开它。管理学界与企业实践逐渐形成一种看似完美的共识：AI 必须是“可解释的”（explainable AI）。透明，似乎成了修复信任的万能钥匙——只要让员工明白 AI 决策背后的逻辑，问题就迎刃而解。

然而，我们针对 1107名劳动者开展的深度研究，却揭示了一个颇具张力的现象——透明度悖论：解释，并非越多越好。如果解释方式不当，或在认知负荷已然紧绷的情境下过度提供信息，不仅无法提升信任，反而可能因认知过载而削弱员工对 AI 决策的接受度。换言之，揭开黑箱本身，也可能成为新的压力来源。

拆解 AI 解释的原子结构：空间与逻辑的维度

要理解这一悖论，首先需要拆解“解释”这一行为的本质。在管理实务中，AI 解释并非铁板一块，而是由不同维度交织而成。本研究的框架，从空间与逻辑两个核心维度来观察 AI 解释。

首先是空间维度：局部解释（local explanation） 与全局解释（global explanation）。

空间全局解释 · global explanation

就像一本厚重的员工手册，向所有劳动者告知系统整体的运行原则——例如，“平台会根据距离、天气与过往评分进行订单分配”。

空间局部解释 · local explanation

针对特定时刻、特定个体的决策给出理由——例如，“您这次没拿到单，是因为距离餐厅比另一位竞争者远了 200米”。

研究显示，劳动者对与自身利益直接相关的局部信息高度敏感；这种即时、具体的信息，更能有效缓解眼前的挫折感。

其次是逻辑维度：事实解释（factual explanation） 与反事实解释（counterfactual explanation）。

逻辑事实解释 · factual explanation

回溯性的，它冷静地陈述既定事实：因为 A，所以 B。

逻辑反事实解释 · counterfactual explanation

前瞻性的，它提供一种假设性的模拟情境，告诉劳动者：如果当时做了不同选择，AI 就会给出不同结果。例如，“如果您刚才接受了那笔短途订单，系统现在就会优先把高额的长途单派给您”。

反事实解释在提升员工接受度方面效果卓越，因为它赋予了工作者一种心理上的掌控感——让他们觉得自己仍有“优化行为、赢过算法”的可能。

认知负荷的陷阱：为什么透明度会有副作用

如果局部解释和反事实解释单独使用都有好处，那么两者结合是否会产生更强的正面效应？答案是否定的。这正是本研究最重要的理论发现：认知负荷理论（cognitive load theory） 在人机协作中的边界效应。

人类大脑处理信息的能力存在极限。当一个人身处高压、快节奏的工作环境（例如在车水马龙中送餐的骑手，或正在处理大量客户投诉的客服人员） 时接收到 AI 的解释，大脑必须执行一系列复杂的心智作业：先解码算法语言，再将解释内容与自己的实际行为进行逻辑比对，最后思考如何在未来调整行为。

研究发现，当管理者试图追求“极致透明”——在同一时间向员工提供既详细（局部） 又具备模拟逻辑（反事实） 的解释时——员工的大脑会迅速进入超载状态。在这种状态下，原本用来建立信任的解释，反而变成了额外的认知负担。员工会感到被信息淹没，进而产生愤怒与排斥情绪：他们会觉得公司并非真心想沟通，而是在用复杂语言推卸责任，或在进行一种更深层次的“数字监控”。解释过载所引发的负面心理反应，最终会抵消解释本身带来的全部正面收益。

当解释追求“极致透明”，原本用来建立信任的信息，反而变成了推卸责任的复杂语言。

接受度天花板与劳资关系的连动

通过大规模情境化实验，我们观察到了明显的“接受度天花板”。数据显示：当只提供单一维度的解释时，劳动者对 AI 决策的满意度与接受度呈稳定上升趋势；然而一旦进入“局部 + 反事实”的组合区域，接受度曲线便出现明显拐点，甚至跌至低于只提供单一解释的水平。

更深层的发现在于：这种对 AI 决策的接受度，具有强大的溢出效应。它不仅关乎一次订单分配或一次绩效评定，更直接定义了“管理关系”（management relations）。在员工心中，AI 不过是组织意志的延伸：当 AI 的沟通方式让员工感到舒适且易懂时，他们会将此归功于组织的公平与尊重；反之，如果 AI 的解释令员工感到困惑与疲惫，他们便会将其视为组织对底层员工的漠视。

AI 解释界面的设计优劣，实际上就是当代劳资谈判的新战场。

管理启示录：AI 管理的核心在于“适度”与“赋能”

随着 AI 深度嵌入组织运作，算法管理已成为不可逆的趋势。然而，这项研究提醒我们：技术的透明度并非越多越好，管理者的沟通艺术在于平衡“知情权”与“认知负担”。

01 实施动态透明度管理

透明度不是一个固定的百分比，而是一个随情境波动的变量。在高压、实时决策的场景中，企业应遵循简约原则，仅提供最核心的事实解释，避免在员工专注工作时造成干扰；而在非即时的培训、周会或绩效回顾环节，则可深入提供反事实解释，引导员工进行长期学习。

02 优先投资“行动导向”的沟通语言

与其让 AI 充当冷冰冰的审判官，不如让它扮演一名教练。管理者应指导开发者将解释逻辑从“诊断过去”转向“赋能未来”——把所有 AI 输出转化为具体的行动建议。例如，与其告诉员工其生产力排名落后，不如告知他：“若能在特定技能模块上投入更多时间，系统预计会分派更具挑战性、报酬更高的任务。”这种转向，能显著提升员工的心理安全感与职业成就感。

03 关注员工的“数字素养”（digital literacy）

解释的效果，很大程度上取决于接收者的心理准备程度。企业在引入 AI 管理系统的同时，必须配套相应的教育培训，帮助员工理解 AI 的基本逻辑与局限。当员工具备更高的数字素养时，他们解码信息所需的原生认知负荷就会下降，进而为建立信任腾出更多的心智空间。

04 回归管理的本质

AI 的出现是为了提升效率，但不应以牺牲人的心理尊严为代价。在算法管理的时代，真正的领导力体现在管理者能否成为一名卓越的“技术翻译家”——把冰冷的数据与复杂的逻辑，过滤、转化为有温度、有启发、消化得了的人际对话。

有时候在沟通上，给得少反而能赢得更多。

在追求数据驱动决策的同时，请记住：唯有尊重人类认知的边界，技术才能真正成为促进组织发展的正面力量。

本文改写自：Demystifying AI for the Workforce: The Role of Explainable AI in Worker Acceptance and Management Relations. Journal of Management Studies, 2026, 63: 438-472.

本文来自微信公众号“复旦商业知识”（ID：BKfudan），作者：杨铭辉等，36氪经授权发布。